Saragih, Yosafat Vincent (2018) Pemilihan Fitur Berbasis Wavelet Untuk Klasifikasi Denyut Jantung dari Rekaman Elektrokardiogra. Sarjana thesis, Universitas Brawijaya.
Abstract
Dalam melakukan diagnosis terhadap penyakit jantung, khususnya aritmia, proses penggolongan pola denyut jantung sangat penting dilakukan. Pola tersebut dapat dilihat dari rekaman Elektrokardiogram (EKG) pasien. Perubahan pola tertentu pada denyut jantung dapat menjadi tanda untuk penyakit yang lebih serius. Sampai saat ini, sudah banyak penelitian yang membahas mengenai penggolongan pola ini, namun masih terdapat masalah dalam menentukan fitur terbaik untuk mengenali dan menggolongkan pola dari denyut jantung tersebut. Pada penelitian ini, diajukan sebuah metode ekstraksi fitur berbasis transformasi Wavelet, dengan koefisien Wavelet Haar dari potongan sinyal EKG yang mewakili satu kali detak. Fitur dibangun dari masing-masing koefisien hasil dekomposisi transformasi potongan sinyal EKG dengan pendekatan statistika sederhana, yaitu Mean, standar deviasi kurtosis dan skewness. Dataset yang digunakan diambil dari dataset MIT-BIH. Pengujian dilakukan dengan perangkat lunak WEKA. Dengan menggunakan model klasifikasi Random Forest dan analisis information gain, maka kombinasi fitur terbaik adalah gabungan dari Mean, standar deviasi dan kurtosis dari semua koefisien, dengan akurasi kelas Normal 84%, Premature Ventricular Contraction (PVC) 98% dan Atrial Premature Contraction (APC) 86%.
English Abstract
To diagnose heart disease, especially arrhythmia, the procedure to classify heartbeat pattern is important to do. The pattern can be find by analyze the patient Electrocardiogram (ECG) record. The change of the pattern can be the sign for more serious disease. For today, there are many research conducted to explore the method for classify the beat, but the problem still found to determine the best features set to identify and classify heartbeat pattern. In this research, a feature extraction method, based from Wavelet transformation using Haar coefficients was proposed, from segmented ECG record, which represented one beat cycle. Feature was built from each decomposition’s coefficients of ECG segment, with simple statistical approach, Mean, standard deviation, kurtosis and skewness. MIT-BIH was used as the dataset for this research. Feature evaluation and selection are conducted using Weka software. With using Random Forest classifier, the combination of Mean, standard deviation and skewness from each Wavelet coefficient, are the best features, which gave the result 84% for Normal class, 98% for Premature Ventricular Contraction (PVC) and 86% for Atrial Premature Contraction (APC).
Other obstract
-
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FTIK/2018/1001/051900817 |
Uncontrolled Keywords: | Aritmia, Elektrokardiogram, ECG, Haar, MIT-BIH, Random Forest, Transformasi Wavelet Diskrit Arrhythmia, Electrocardiogram, ECG, Haar, MIT-BIH, Random Forest, Discrete Wavelet Transform |
Subjects: | 600 Technology (Applied sciences) > 616 Diseases > 616.1 Diseases of cardiovascular system > 616.12 Diseases of heart > 616.120 754 7 Electrocardiography (medicine) |
Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
Depositing User: | Budi Wahyono Wahyono |
Date Deposited: | 19 Apr 2020 06:29 |
Last Modified: | 25 Oct 2021 02:39 |
URI: | http://repository.ub.ac.id/id/eprint/166800 |
Preview |
Text
Yosafat Vincent Saragih.pdf Download (2MB) | Preview |
Actions (login required)
![]() |
View Item |